v2.8.0 (4277)

Enseignement scientifique & technique - SD-TSIA211 : Optimization for Machine Learning

Domaine > Mathématiques.

Descriptif

Cours en anglais

Un grand nombre de problèmes d'apprentissage statistique (calcul d'un estimateur, d'un classifieur, etc.) se ramène à la minimisation d'une fonctionnelle, typiquement un risque empirique. Les méthodes d'optimisation sont donc au centre du volet « pratique » de l'apprentissage statistique.
Dans ce module, l'étudiant découvrira non seulement les fondements théoriques qui s'inscrivent dans le prolongement du cours d'optimisation suivi au P1, mais également différentes techniques permettant de traiter spécifiquement le cas des données massives.
 
Les sujets abordés incluent l'analyse convexe, le calcul de gradients et de sous-gradients, l'opérateur proximal, l'algorithme du gradient, l'algorithme du gradient stochastique et la dualité lagrangienne.
 

Pour les étudiants du diplôme Diplôme d'ingénieur

MDI210 optimisation et analyse numérique

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Echange international non diplomant

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS
  • Crédit d'UE électives acquis : 2.5

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Diplôme d'ingénieur

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS
  • Crédit d'UE électives acquis : 2.5

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Programme de mobilité des établissements français partenaires

L'UE est acquise si Note finale >= 10

    Le coefficient de l'UE est : 2.5

    Programme détaillé

     

    Support pédagogique multimédia

    Oui

    Veuillez patienter